BAB II LANDASAN TEORI. Peramalan pada dasarnya merupakan proses menyusun informasi tentang
|
|
- Agus Gunardi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB II LANDASAN TEORI 2.1. Peramalan Peramalan pada dasarnya merupakan proses menyusun informasi tentang kejadian masa lampau yang berurutan untuk menduga kejadian di masa depan (Frechtling,2001: 8). Peramalan bertujuan mendapatkan ramalan yang dapat meminimumkan kesalahan meramal yang dapat diukur dengan Mean Absolute Percent Error (MAPE) (Pangestu Subagyo, 1986: 1). Peramalan pada umunya digunakan untuk memprediksi sesuatu yang kemungkinan besar akan terjadi misalnya kondisi permintaan, banyaknya curah hujan, kondisi ekonomi, dan lain lain. Atas dasar logika, langkah dalam metode peramalan secara umum adalah mengumpulkan data, menyeleksi dan memilah data, memilih model peramalan, menggunakan model terpilih untuk melakukan peramalan, evaluasi hasil akhir. Berdasarkan sifatnya, peramalan dibedakan menjadi: 1. Peramalan Kualitatif Peramalan yang didasarkan atas dasar kualitatif pada masa lalu. Hasil peramalan kualitatif didasarkan pada pengamatan kejadian kejadian di masa sebelumnya digabung dengan pemikiran dan penyusunnya. 2. Peramalan Kuantitatif 8
2 9 Peramalan yang didasarkan atas dasar kuantitatif masa lalu yang diperoleh dari pengamatan nilai nilai sebelumnya. Hasil peramalan yang dibuat tergantung pada metode yang digunakan, menggunakan metode yang berbeda akan diperoleh hasil peramalan yang berbeda Data Time Series Time series merupakan serangkaian data pengamatan yang berasal dari suatu sumber tetap yang terjadinya berdasarkan indeks waktu t secara berurutan dan dengan interval waktu yang tetap. Setiap pengamatan dapat dinyatakan sebagai variable random Z t dengan fungsi kepadatan f(z t )yang dapat dipasangkan dengan indeks waktu t i, yaitu : Z 1, Z 2, Z3,..., Z n t 1,t 2, t 3,..., t n adalah urutan waktu pengamatan. Karena itu data time series yang diamati pada waktu t 1, t 2, t 3,..., t n dapat dituliskan dalam notasi Zt 1, Zt 2, Zt 3,..., Zt n. Time series adalah suatu rangkaian atau seri dari nilai nilai suatu variabel atau hasil observasi, dalam hal ini adalah nilai indeks harga saham, yang dicatat dalam jangka waktu yang berurutan (Atmaja, 2009: 29). Hal yang perlu diperhatikan dalam melakukan peramalan adalah pola galat (error), yang tidak dapat dipisahkan dalam metode peramalan. Untuk
3 10 mendapatkan hasil yang mendekati data asli, maka seorang peramal berusaha membuat error-nya sekecil mungkin. Dengan adanya data time series, maka pola gerakan data dapat diketahui. Dengan demikian, data time series dapat dijadikan sebagai dasar untuk: Pembuatan Keputusan pada saat ini. Peramalan keadaan perdagangan dan ekonomi pada masa yang akan datang Perencanaan kegiatan untuk masa depan 2.3. Artifiacial Neural Network Artifiacial Neural Network (ANN) adalah sistem komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel syaraf biologi di dalam otak. ANN dapat digambarkan model matematis dan komputasi untuk fungsi aproksimasi nonlinear, klasifikasi data, cluster dan regresi non parametrik atau sebagai sebuah simulasi dari koleksi model syaraf biologi. Model syaraf ditunjukkan dengan kemampuannya dalam emulasi, analisa, prediksi, dan asosiasi. Berdasarkan kemampuan yang dimiliki, ANN dapat digunakan untuk belajar dan menghasilkan aturan atau operasi dari beberapa contoh, untuk menghasilkan output yang sempurna dari contoh atau input yang dimasukkan dan membuat prediksi tentang kemungkinan output yang akan muncul atau menyimpan karakteristik dari input yang disimpan kepadanya. Artificial Neural Network(ANN) merupakan suatu pemodelan yang diilhami oleh jaringan syaraf biologis pada tubuh manusia. ANN terdiri dari unit
4 11 utama, dan neuron-neuron yang terdesain seperti susunan jaringan syaraf biologis. Neuron-neuron buatan ini mempunyai jalur input sebagaimana neuron syaraf biologis yang mempunyai dendrit, dan terdapat juga jalur aoutput sebagaimana neuron syaraf mempunyai axon. Neuron buatan maupun neiron syaraf biologis mempunyai satu kecenderungan yang menentukan niali output. Neuron mengkombinasikan input, niali bias dan sinya output. Pada kedua neuron baik biatan maupun neuron syaraf biologis, terdapat proses belajar (learning) yang mengubah nilai-nilai kecenderungan pada neuron. Pada neuron biologis, proses alami mengatur bagaimana sinyal inputan pada dendrit diproses dan kemudian diterjemahkan dalam aktifitas axon. Sedangkan pada neuron buatan, proses learning mengatur input-input yang digunakan dan bagaimana pemetaannya pada output. Dalam ANN pada jalur input neuron i terdapat sinya di dalamnya (P i ) dan besar nilai kecenderungan pada tiap jalur diawakili oleh sebuah pembobot atau weight (w i ). Neuron-neuron tersebut membentuk suatu jumlah perkalian antara weight dengan input yang meliputi keseluruhan weight dan juga nilai buasa (b). Output yang dibentuk (a) biasanya merupakan bentuk sigmoid fungsi logistic dari penjumlahan tersebut. Proses learning terjadi pada saat pengaturan weight dan bias. Metode yang paling umum digunakan untuk proses learning tersebut adalah Back propagation. Dalam metode ini, weight-weight tersebut diatur untuk memimalisasi nilai kuadrat beda antara output model dan output taksiran, atau secara umum disebut
5 12 SSE(sums of square error). Pada proses pengaturan weight biasanya berdasarkan pada algoritma sederhana sleepest descent yang didasarkan pada turunan pertama pada fungsi cost. Namun pada beberapa penelitian yang pernah dilakukan, algoritma yang lebih rumit sering dipakai, dimana lebih didasarkan pada bentuk turunan kedua dari fungsi cost, dan lebih memberikan jaminan tercapainya SSE yang paling minimum. Sebagaimana proses alami, beberapa neuron terkombinasi membentuk sebuah jaringan, jaringan tersebut terdiri dari sebuah lapisan input (input layer), sebuah lapisan output (output layer) dan kemungkinan satu atau lebih lapisan atau sering disebut sebagai lapisan tersembunyi (hidden layer). Setiap layer terdiri dari beberapa neuron, dan neuron-neuron ini dihubungkan dengan neuron-neuron lain pada layer terdekat. (Andri Kristanto 2004 : 2) BackPropagation BackPropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma backpropagation menggunakan error output untuk mengubah nilai bobot bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu. Back propagation (BP) merupakan proses estimasi atau proses learning untuk menentukan weight dari suatu arsitektur ANN. BP merupakan
6 13 pengembangan dari suatu proses estimasi Widrow-Hoff learning rule yang dikembangkan oleh Rumalhart, Hinton dan Williams (1986). Aturan Widrow-Hoff digunakan untuk mengestimasi weight dari suatu single layer neuron yang menggunakan fungsi aktifasi linier. Proses BP merupakan generalisasi dari Widrow-Hoff yang digunakan untuk proses estimasi pada multi layer perceptron (MPL), dan menggunakan fungsi aktifasi non linier. Sebagaimana aturan Widrow- Hoff, BP menggunakan metose steepsest Descant untuk menetukan sekelompok weight dan bias yang akan meminimalisasi nilai sums of squared errors atau secara umum dapat disebut sebagai SSE. Metode BP ini banyak diaplikasikan secara luas. Sekitar 90% bahkan lebih BP telah berhasil diaplikasikan diberbagai bidang diantaranya diterapkan di bidang finansial, pengenalan pola tulisan, pengenalan pola suara, sestem kendali, pengolahan citra medika dan masih banyak lagi keberhasilan BP sebagai salah satu metode komputasi yang handal. Algoritma ini banyak dipakai pada aplikasi pengaturan karena proses pelatihannya didasarkan pada hubungan yang sederhana, yaitu : Jika keluaran memberikan hasil yang salah, maka penimbang (weight) dikoreksi supaya galat atau errornya dapat diperkecil dan respon jaringan selanjutnya diharapkan akan lebih mendekati harga yang benar, BP juga berkemampuan untuk memperbaiki penimbang pada lapisan tersembunyi (hidden layer). Secara garis besar, mengapa algoritma ini disebut propagasi balik, dapat dideskripsikan sebagai berikut : Ketika jaringan di berikan pola masukan sebagai
7 14 pola pelatihan maka pola tersebut menuju ke unit-unit lapisan tersembunyi dan diteruskan ke unit-unit lapisan keluaran. Kemudian unit-unit lapisan keluaran memberikan tanggapan yang disebut sebagai keluaran jaringan. Saat keluaran jaringan tidak sama dengan keluaran yang diharapkan maka keluaran akan menyebar mundur (backward) pada lapisan tersembunyi diteruskan ke unit pada lapisan masukan. Oleh karenanya maka mekanisme pelatihan tersebut dinamakan backpropagation / propagasi balik. Tahap pelatihan ini merupakan langkah bagaimana suatu jaringan syaraf itu berlatih, yaitu dengan cara melakukan perubahan penimbang (sambungan antar lapisan yang membentuk jaringan melalui masing-masing unitnya). Sedangkan pemecahan masalah baru akan dilakukan jika proses pelatihan tersebut selesai, fase tersebut adalah fase mapping atau proses pengujian/testing. Perlu ditekankan bahwa dalam [penelitian symbol, karakter superscript λ merupakan indek untuk layer ke-λ, dimana λ = 1,2,,Λ. Dengan demikian terdapat sebanyak Λ layer dalam arsitektur ANN, dimana layer ke Λ adalah output layer. Dalam arsitektur MPL, setiap layer ke λ terdapat sebanyak S λ neuron, sehingga matrik weight untuklayer ke-λ mempunyai ukuran S λ x S λ-1. Dan nilai output dari layer ke (λ-1) merupakan input untuk layer yang ke λ, seterusnya sampai pada output layer (layer ke- Λ), kecuali untuk layer pertama (input) dimana ukuran matrik weight adalah S 1 x R dengan R adalah jumlah input.
8 15 Dalam mempresentasikan bentuk fungsi yang digunakan dalam proses BP, bila n λ adalah vector jumlahan pada layer ke λ maka : n λ = W λ y λ-1 λ λ λ 1 atau n i( i) = W ( ij ) y ( j)...(2.1) dengan asumsi bahwa nilai bias telah tercakup dalam matrik weight W. Output untuk setiap lapisan adalah : y λ = f λ (n λ ) atau y λ (i) = f λ (n λ (i))...(2.2) dimana f λ adalah fungsi aktifasi yang digunakan pada layer yang ke λ. Arsitektur ini diestimasi dengan menggunakan sekelompok Q pasangan inout-output. Simbol-simbol subscript k merupakan indek input-output untuk pasangan inputoutput ke k adalah {x k, t k } dimana k =1,2,, Q.(Sri Kusumadewi 2004 : 93) Simbol simbol yang digunakan Simbol simbol yang digunakan pada algoritma pelatihan untuk jaringan backpropagation adalah sebagai berikut : X input vektor pelatihan x=(x 1,..., x i,..., x n ) T output vektor target t=(t 1,..., t k,..., t m ) δ k informasi tentang kesalahan pada unit Y k yang disebabkan kembali ke unit tersembunyi δ j α X i informasi tentang kesalahan dari lapisan output ke unit tersembunyi Z j Learning rate unit input I, untuk sebuah unit input, sinyal input dan sinyal output adalah sama yaitu x i.
9 16 v oj bias pada unit tersembunyi j Z j unit tersembunyi input jaringan ke Z j disimbolkan dengan z_in j z _ in j = v oj + i x v i ij Sinyal output(aktivasi) pada Z j disimbolkan dengan z j j = ƒ( _in j ) v 0k bias pada unit tersembunyi k Y k Unit output input jaringan ke Y k disimbolkan dengan y_in k y _ ink = w0 k + i z j w jk Sinyal output(aktivasi) pada Yk disimbolkan dengan y k y k = ƒ ( y_in k ) Algoritma BackPropagation Pelatihan sebuah jaringan yang menggunakan backpropagation terdiri dari 3 langkah, yaitu : pelatihan pola input secara feedforward, perhitungan dan backpropagation dari kumpulan kesalahan dan penyesuaian bobot. Selama kondisi feedforward, masing masing unit input (Xi) menerima sebuah sinyal input dan mengirimkan sinyal tersebut ke masing masing unit tersembunyi Z1,..., Zp. Masing masing unit tersembunyi kemudia menghitung aktivasi dan mengirimkan aktivasi dan mengirimkan sinyalnya (Zj) ke masing masing unit ouyput. Masing masing unit output (Yk) kemudian menghitung aktivasinya (yk) untuk membentuk respon dalam jaringan yang diberi pola input.
10 17 Selama pelatihan, masing masing unit output membandingkan perhitungan aktivasi (yk) dengan nilai target (tk) kemudian menentukan kumpulan kesalahan untuk pola yang ada pada unit. Berdasarkan kesalahan tersebut, nilai faktor δk(k=1,...,m) dihitung. Kemudian δkdigunakan untuk mendistribusikan kesalahan pada unit output (Yk) kembali ke semua unit pada lapisan sebelumnya. (unit yang tersembunyi dihubungkan dengan(yk)). Kondisi semacam ini nanti akan digunakan untuk memperbaiki bobot di antara output dan lapisan yang tersembunyi. Untuk hal yang sama, nilai faktor δj(j=1,..., p) dihitung untuk masing masing unit unit yang tersembunyi (Zj). Hal ini tidak diperlukan untuk menyebarkan kesalahan ke lapisan input, tetapi δjdigunakan untuk memperbaiki bobot diantara lapisan tersembunyi dan lapisan input. Sesudah semua faktor δ ditentukan, bobot untuk semua lapisan disesuaikan secara simultan. Penyesuaian bobot wjk(dari unit tersembunyi Zjke unit output Yk) didasarkan pada faktor δkdan aktivasi zjpada unit tersembunyi zj. Penyesuaian bobot v jk (dari unit input X i ke unit tersembunyi Z j ) didasarkan pada faktor δjdan aktivasi x i pada unit input. Propagasi balik merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma propagasi balik menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus
11 18 dikerjakan terlebih dahulu. Pada saat perambatan maju, neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid, yaitu : f ( x) x 1 = 1 + e Suatu fungsi aktivasi propagasi balik memiliki ciri utama yaitu berkesinambungan dan adanya peningkatan/perbaikan yang berulangulang. Aplikasi propagasi balik yaitu memetakan masukan (input) terhadap target keluaran (output). Tujuan pemetaan adalah untuk melatih jaringan mencapai suatu keseimbangan antara kemampuan merespon pola masukan yang digunakan dalam pelatihan dengan kemampuan untuk memberi respon masukan yang disesuaikan Implementasi BackPropagation Dalam proses estimasi dengan menggunakan metode BP, terdapat beberapa permasalahan yang sering kali dijumpai antara lain pemilihan inisialisasi awal, lokal minimum, jumlah neuron pada lapisan hidden dan lain-lain. Meskipun telah ada beberapa metode untuk memperkecil peluang munculnya beberapa masalah tersebut,tetapi tidak menjamin bahwa estimasi BP akan memberikan hasil yang lebih baik.
12 19 a. Minimum Lokal Sesuai dengan bentuk dari fungsi untuk arsitektur MPL, dalam menemukan SSE, terdapat beberapa nilai minimum lokal. Prosedur estimasi seperti steepes : descant yang menggunakan gradien untuk memperbaiki nilai weight kemungkinan akan terjebak dalam likal minimum. Hal ini berarti bahwa weight yang didapat akan tetap memberikan hasil estimasi yang sesuai untuk fungsi non linier, namun mungkin tidak memberikan hasil estimasi yang baik. Hasil estimasi weight ANN dapat memberikan akurasi yang berbeda-beda dan tidak ada jaminan bahwa prosedur pembelajaran (learning) akan menemukan global minimum untuk SSE. Penggulangan algoritma untuk training set yang sama, dengan inisialisasi awal yang berbeda akan memberikan nilai weigth yang berbeda pula. b. Jumlah Neuron Jumlah neuron pada lapisan output adalah ditentukan dari dimensi output, namun jumlah neuron pada lapisan hidden layer harus dipilih. Ketika jumlah neuron sangat sedikit, maka akan terjadi underfitting dan tidak ada pilihan weight
13 20 yang mampu memodelkan bentuk fungsi ANN. Fungsi ini akan dapat di estimasi dengan baik apabila terdapat variasi yang terlalu kecil. Jumlah neuron yang haruis ditambahkan pada lapisan hidden, akan memberikan fungsi cost J yang semakin minimum. Dalam kasus yang ekstrim, untuk sebuah jaringan ANN dengan satu lapisan hidden, bila jumlah neuron bertambah sampai mendekati banyaknyaelemen training set, maka system ini akan mempunyai akurasi yang sangat tinggi dan fungsi J akan bernilai mendekati nol. Ketika terlalu banyak neuron yang terdapat pada lapisan hidden, prosedur pembelajaran ANN akan cenderung memodelkan noise di dalam trainingset, dan ini yang disebut overfitting. Untuk menetukan neuron yang sesuai, terdapat dua metode yang sering dipakai, yaitu : 1. Cross Validation (validasi silang). Metode ini digunakan untuk menentukan jumlah neuron yang terdapat pada lapisan hidden. Penambahan neuron pada lapisan hidden akan memberikan nilai SSE validasi (SSE untuk validation set) yang makin berkurang sampai dengan jumlah neuron tertentu, misalkan m, ketika jumlah neuron tetap ditambahkan melebihi jumlah m, maka nilai SSE validasi yang dihasilkan justru akan bertambah. Pada jumlah neuron m dengan nilai SSE validasi terkecil inilah dipilih. Dengan demikian, pada tahap learning, data yang digunakan sebaiknya dibagi menjadi 3 bagian yaitu : Training set, untuk menentukan nilai weight dan bias pada proses learning.
14 21 Validation set, untuk menetukan jumlah neuron, dimana data ini tetap diikutsertakan dalam proses learning. Prediction set, untukmelakukan validasi akhir menggunakan data independent yang tidak terlibat dalam proses learning. c. Overtraining Permasalahan yang sama dengan kasus overfitting terjadi bila terdapat trainig set yang terlalu bnayak. Sebagaiman proses traning, nilai fungsi J akan berkurang menuju lokal minimum. Untuk data yang mengandung noise tinggi, butuh waktu lama untuk mencapai lokal minimum, karena algoritma training harus berusaha memodelkan noise tersebut. Konsekuensinya, model akhir tidak dapat digeneralisasi dengan baik karena melibatkan bentuk noise. Secara heuristic, algoritma traning cenderung memodelkan weight kemudian diatur untuk memasangkan cirri-ciri data termaksud noise. Untuk mendapatkan generalisasi yang baik, disarankan untuk menghentikan proses traning sebelum mencapai lokal minimum. Dan selanjutnya, metode valdasi silang dapat digunakan untuk menentukan kapan harus berhenti. Pada setiap akhir iterasi (epoch), fungsi cost yang berhubungan dengan validasi harus diperiksa. Nilai fungsi ini akan berkurang sebagaimana proses training memnentukan ciri pemetaan yang dideskripsikan oleh training set, namun saat prosedur training harus dihentikan. d. Inisialisasi Awal
15 22 Pola dari algoritma BP, baik dari segi kekonvergenan ataupun lokasi lokal minimum, sangat peka pada pemilihan inisialisasi awal. Bila matrik inisialisasi weight awal mendekati sebuah lokal minimum, maka algoritma BP akan konvergen pada titik tersebut dengan cepat. Sebaliknya, bila inisialisasi awal terletak pada daerah dimana permukaan error berbentuk relatif datar, maka proses konvergen akan sangat lambat. Karena itu, pengulangan proses traning dengan inisialisasi awal yang berbeda akan memberikan laju konvergen dan titik konvergen yang berbeda. Penentuan inisialisasi awal dapat dilakukan secara acak, namun harus sesuai dengan kondisi data, terutama bila fungsi aktifasi yang digunakan adalah logistic sigmoid atau hyperbolic tangent. Sebuah pilihan yang sangat dapat dipertanggung jawabkan berhubungan dengan sebuah single neuron dan jumlah jalur hubungan yang terjadi pada neuron tersebut. Pada suatu layer ke-λ, terdapat neuron sejumlah S λ-1 dari jumlah neuron pada layer sebelumnya. Nilai weight dapat dipilih secara acak pada range 3 3 S S λ 1 λ 1,, selain range tersebut, Faraway dan Chatfild(1998) menjelaskan cara penentuan inisialisasi awal yang lebih mudah. Range yang digunakan adalah tergantung dari nilai traning set absolute yang terbesar. Misalkan nilai absolute terbesar adalah max, maka range 1 1 inisialisasi awal yang disarankan adalah, max max e. Laju estimasi (Learning)
16 23 Nilai laju estimasi η sangat berpengaruh pada kecepatan BP dalam proses konvergen. Nilai laju yang sangat besar akan memberikan kekonvergenan lebuh cepat. Untuk menetukan nilai laju yang menyeimbangkan antara kecepatan proses konvergen dengan langkah iterasi ketika mendekati suatu lokal minimum memang sangat sulit. Plot dari permukaan error akan sangat berguna untuk menentukan laju estimasi ini. Bila niali error meloncat pada nilai yang lebih besar pada saat training, berarti nilai laju estimasi yang digunakan terlalu besar Parameter pelatihan BackPropagation Parameter-parameter yang turut menentukan keberhasilan proses pelatihan pada algoritma BP : Inisialisasi penimbang Jenis adaptasi penimbang Learning rate/laju pelatihan Momentum Penentuan jumlah lapisan tersembunyi Inisialisasi Penimbang Penimbang interkoneksi jaringan saraf tiruan yang akan dilatih biasannya diinisialisasikan dengan harga real kecil, penimbang bias diinisialisasi secara acak. Banyak studi empiris membuktikan bahwa meneruskan pelatihan pada saat error mencapai harga kecil yang stabil atau datar akan menghasilkan nilai-nilai penimbang yang tidak diinginkan.
17 24 Pada banyak penelitian (Hirose et al, 1991) menunjukkan bahwa konvergensi tidak akan dicapai bila penimbang kurang bervariasi, juga jika acaknya terlalu kecil. Konvergensi hamper selalu tercapai untuk insialisasi acak pada 0.5 sampai 0,5 atau -1 sampai 1. Adaptasi penimbang Ada dua adaptasi penimbang pada pelatihan jaringan saraf tiruan, yaitu : a. Adaptasi Kumulatif (Cumulative Weight Adjusment) Penimbang baru diadaptasikan setelah semua penimbang yang masuk dilatih b. Adaptasi Biasa (Incremental Updating) Penimbang diadaptasi pada setiap pola Parameter Laju Pelatihan(η) Parameter laju pelatihan (learning rate) sangat berpengaruh pada intensitas dalam proses pelatihan.begitu pula terhadap efektivitas dan kecepatan mencapai konvergensi dari pelatihan. Harga η yang cukup kecil menjamin penurunan gradien terlaksana dengan baik, namun ini berakibat bertambahnya jumlah iterasi. Biasanya nilai laju pelatihan tersebut dipilih mulai 0,001 sampai 1 selama proses pelatihan. Momentum Disamping koefisien laju pelatihan, pada metoda BP ada koefisien lain yang tujuan penggunaannya adalah mempercepat konvergensi dari algoritma error bacpropagation. Prinsip dari metode ini adalah menambahkan sebagian dari perubahan penimbang sebelumnya. Hal ini dapat dirumuskan dengan :
18 25 w ( t ) = η E ( t ) + α w ( t 1)... (2.21) dengan α adalah harga konstanta momentum yang berupa bilangan positif antara 0,5 sampai dengan 0,9. Penggunaan koefisien momentum ini disarankan apabila konvergensi berlangsung terlalu lama, dan juga untuk mencegah terjadinya optimum local (local optimum/minimum). Fase Pemakaian Pada fase pemakaian, pola yang akan dikenali pada unit lapisan masukan jaringan. Inisialisasi penimbang sambungan diambil dari nilai penimbang sambungan terakhir pada tahap pelatihan yang dianggap paling baik tentunya. Pola ini di komputasikan dengan penimbang interkoneksi hasil fase pelatihan dengan persamaan seperti berikut : + z _ in j = v0 j xi. vij... (2.22) i dengan menggunakan fungsi aktifasi untuk menghitung nilai aktifasi : z j = f ( z_ inj )... (2.23) dengan fungsi aktifasi adalah fungsi sigmoid maka : z j = 1 1+ exp( z _ in )... (2.24) j Nilai inilah yang akan dikirimkan kelapisan keluaran, seperti proses pada lapisan tersembunyi dan didapat hasil keluaran adalah :
19 26 + y _ ink = w0 j z j. wjk... (2.25) i Hasil aktifasi sel-sel pada lapisan keluaran merupakan keputusan dari jaringan safaf tiruan. Pada perangkat lunak yang dibuat, hasil aktifasi sel sebagai keputusan JST ditampilkan dalam skala kebenaran, dimana skala kebenaran terbesar merupakan keputusan akhir dari jaringan safar tiruan Kelemahan yang sering terjadi pada BackPropagation Fase pelatihan Sering terjebak pada kondisi yang disebeut sebagai kondisi optimum lokal (local minimum), sehingga sulit mencapai konvergen sesuai dengan error yang diinginkan. Keadaan JST tersebut sulit atau bahkan tidak dapat berkembang menjadi lebih pintar lagi, walaupun dilatih berulang-ulang kali. Hal ini biasanya diatasi dengan menggunakan koefisien momentum. Fase Pemakaian (Mapping) Pada fase ini hal tidak diinginkan yang serng terjadi adalah kondisi dimana JST kehilangan overfitting/overtraning, yaitu suatu kondisi dimana JST kehilangan sifat generalisainya (lost of generalization). Generalitas adalah kempuan untuk memberikan jawaban yang benar, untuk suatu masukan yang berbeda namun sejenis dari data-data yang dilatihkan pada JST tersebut.
20 27 Bila JST kehilangan sifat tersebut, pasa fase mapping biasanya JST hanya mengenali bagian akhir dari pasangan data yang dilatihkan pada fase pelatihan. Kondisi tersebut diakibatkan oleh jumlah pelatihan yang berlebihan, untuk mengatasinya dapat ditambahkanbias pada lapisan keluaran ataupu pada masing-masing lapisan struktur JST. Sebaliknya kondisi undertraning juga dapat terjadi, untuk hal ini biasanya terjadi oleh karena peroses pelatihan belum sempurna. Gambar 2.2 BackPropogation Training 2.4. Saham Definisi saham adalah suatu tanda penyertaan atau kepemilikan dalam suatu perusahaan. Jika kita membeli saham artinya kita membeli bagian kepemilikan suatu perusahaan. Wujud saham hanyalah berupa selembar kertas yang menerangkan siap pemiliknya, yaitu berbentuk sertifikat saham. Karena itu
21 28 saham juga sering disebut surat berharga atau efek(dalam bahasa Inggris disebut sebagai security). Saham (stock) merupakan salah satu instrument pasar keuangan yang paling populer dan paling banyak dipilih para investor karena mampu memberikan tingkat keuntungan yang menarik. Berdasarkan pendapat Rusdin (2005 :72) saham adalah sertifikat yang menunjukan bukti kepemilikan suatu perusahaan, dimana pemegang saham memiliki hak klaim atas penghasilan dan aktiva perusahaan certa berhak hadir dalam Rapat Umum Pemegang Saham (RUPS) Sedangkan Ang (1997:2) berpendapat bahwa saham adalah surat berharga sebagai bukti penyertaan atau kepemilikan individu maupun institusi dalam suatu perusahaan berbentuk Perseroan Terbatas Fungsi Pasar Saham Setiap negara memiliki pasar saham masing-masing. Di Indonesia adalah BEI (Bursa Efek Indonesia atau Indonesia Stock Exchange). Informasi tentang BEI dapat dilihat di Perdagangan saham di Bursa Efek Indonesia diatur oleh PT. Bursa Efek Indonesia yang merupakan lembaga pemerintah. Pengawasan dilakukan oleh OJK (Otoritas Jasa Keuangan, dahulu Bapepan). Semua kegiatan pasar modal diatur melalui UU Pasar Modal. Pasar saham, sering juga disebut bursa saham, atau juga disebut bursa efek adalah wahana dimana dilakukan perdagangan saham dan instrumen finansial lainnya. Pasar saham pada hakekatnya tidak berbeda jauh dengan pasar tradisional
22 29 yang selama ini kita kenal. Di sana ada pembeli penjual dan juga kegiatan tawar menawar harga Di pasar saham juga ada 4 peran yang sama, yaitu investor, perantara pedagang efek, Emitmen, dan pengelola bursa yaitu PT Bursa Efek Indonesia. Investor(Pemodal) Investor disini bisa berupa investor individu (ritel) dan investasi institusi (lembaga atau perusahaan). Dilihat dari asalnya bisa dibedakan menjadi dua, yaitu investor domastik dan investor asing Perantara Pedagang Efek Sebagai investor, kita tidak bisa langsung bertransaksi di pasar saham, tetapi melalui perantara pedagang efek, yaitu perusahaan sekuritas. Sering pula disebut broker atau pialang Emitmen Perusahaan yang melepas sahamnya di pasar saham. Dana hasil penjualan saham tersebut umumnya digunakan untuk ekspansi atau operasi perusahaan. Di bursa saham, kita hanya bisa membeli saham perusahaan atau emitmen yang terdaftar di bursa saham tersebut, disebut perusahaan publik atau perusahaan terbuka. PT. Bursa Efek Indonesia Pengelola bursa saham indonesia adalah PT. Bursa Saham Indonesia Indeks Harga Saham
23 30 Indeks harga saham adalah indikator atau cerminan pergerakan harga saham, bisa seluruh saham atau sekelompok saham. Indeks merupakan salah satu pedoman bagi investor untuk melakukan investasi di pasar modal, khususnya saham. Bila suatu indeks harga saham bergerak naik, biasannya sebagian besar harga saham yang tergabung di dalam juga cenderung naik. Demikian pula sebaliknya. Setiap pasar saham memiliki indeks harga sahamnya masing-masing. Tabel di bawah ini menunjukkan beberapa indeks saham dari berbagai negara. Tabel 2.3 Indeks Saham Berbagai Negara Negara Amerika Inggris Nama Indeks Harga Saham Dow Jones,S&P500, Nasdaq FTSE
24 31 Jerman Perancis Australia Jepang China Korea India Indonesia Malaysia Singapura Thailand Vietnam DAX CAC ASX Nikkei SSE (Shanghai), HangSeng (Hong Kong) KOSPI SENSEX IHSG (sering juga disebut JCI), LQ45 KLCI STI SET VHINDEX
BAB II DASAR TEORI Jaringan Syaraf Tiruan. Universitas Sumatera Utara
BAB II DASAR TEORI Landasan teori adalah teori-teori yang relevan dan dapat digunakan untuk menjelaskan variabel-variabel penelitian. Landasan teori ini juga berfungsi sebagai dasar untuk memberi jawaban
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 JARINGAN SARAF SECARA BIOLOGIS Jaringan saraf adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI. Jasmir, S.Kom, M.Kom
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI PRODUKTIVITAS PEGAWAI Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Pegawai atau karyawan merupakan
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN
ANALISA JARINGAN SARAF TIRUAN DENGAN METODE BACKPROPAGATION UNTUK MENGETAHUI LOYALITAS KARYAWAN Jasmir, S.Kom, M.Kom Dosen tetap STIKOM Dinamika Bangsa Jambi Abstrak Karyawan atau tenaga kerja adalah bagian
Lebih terperinciBAB VIIB BACKPROPAGATION dan CONTOH
BAB VIIB BACKPROPAGATION dan CONTOH 7B. Standar Backpropagation (BP) Backpropagation (BP) merupakan JST multi-layer. Penemuannya mengatasi kelemahan JST dengan layer tunggal yang mengakibatkan perkembangan
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 2.1 Jaringan Syaraf Biologi Otak manusia memiliki struktur yang sangat kompleks dan memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang disebut
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
Seminar Nasional Informatika 0 ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian, Purwa Hasan Putra Dosen Teknik Informatika,
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih terperinciMATERI DAN METODE. Cara Pengambilan Data
MATERI DAN METODE Lokasi dan Waktu Penelitian ini dilaksanakan di Laboratorium Lapang Bagian Ilmu Produksi Ternak Perah, Fakultas Peternakan Institut Pertanian Bogor. Penelitian dilaksanakan selama dua
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,
Lebih terperinciANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang) 1 Musli Yanto, 2 Sarjon Defit, 3 Gunadi Widi Nurcahyo
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperincilalu menghitung sinyal keluarannya menggunakan fungsi aktivasi,
LAMPIRAN 15 Lampiran 1 Algoritme Jaringan Syaraf Tiruan Propagasi Balik Standar Langkah 0: Inisialisasi bobot (bobot awal dengan nilai random yang paling kecil). Langkah 1: Menentukan maksimum epoch, target
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan Peramalan Inventory Barang
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran
Lebih terperinciBAB 1 PENDAHULUAN. datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk
BAB 1 PENDAHULUAN 1.1. Latar Belakang Peramalan adalah menduga atau memperkirakan suatu keadaan di masa yang akan datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk menetapkan kapan
Lebih terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciPENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto
PENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto Teknik Informatika, Univesitas Dian Nuswantoro ABSTRACT: Peramalan saham merupakan
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No., Juni 206 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Penerapan Jaringan Syaraf Tiruan Untuk Estimasi Needs
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Beban dan Prakiraan Beban Listrik Di dalam sebuah sistem kelistrikan terdapat 2 sisi yang sangat berbeda, yaitu sisi beban dan sisi pembangkitan. Pada sisi beban atau beban
Lebih terperinciArsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah memin
BACK PROPAGATION Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output yang dihasilkan
Lebih terperinciStudi Modifikasi standard Backpropagasi
Studi Modifikasi standard Backpropagasi 1. Modifikasi fungsi objektif dan turunan 2. Modifikasi optimasi algoritma Step Studi : 1. Studi literatur 2. Studi standard backpropagasi a. Uji coba standar backpropagasi
Lebih terperinciABSTRACT. Kata kunci: Fuzzy Tsukamoto, Jaringan Syaraf Tiruan, Backpropagation 1. LATAR BELAKANG MASALAH
PERBANDINGAN PREDIKSI HARGA SAHAM DENGAN MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN DAN FUZZY TSUKAMOTO COMPARISON OF SHARE PRICE PREDICTION USING ARTIFICIAL NEURAL NETWORK AND FUZZY TSUKAMOTO ABSTRACT
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Digunakan untuk meminimalkan error pada output yang dihasilkan oleh jaringan. Menggunakan jaringan multilayer. Arsitektur Jaringan Proses belajar & Pengujian
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Semua negara mempunyai mata uang sebagai alat tukar. Pertukaran uang dengan barang yang terjadi disetiap negara tidak akan menimbulkan masalah mengingat nilai uang
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN OBAT Pada PT. METRO ARTHA PRAKARSA MENERAPKAN METODE BACKPROPAGATION Zulkarnain Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja
Lebih terperinciJaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)
Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang) Hadi Syahputra Universitas Putra Indonesia YPTK Padang E-mail: hadisyahputra@upiyptk.ac.id
Lebih terperinciBab 5 Penerapan Neural Network Dalam Klasifikasi Citra Penginderaan Jauh
Penerapan Neural Dalam Klasifikasi Citra Penginderaan Jauh Klasifikasi citra penginderaan jarak jauh (inderaja) merupakan proses penentuan piksel-piksel masuk ke dalam suatu kelas obyek tertentu. Pendekatan
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciBAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH
BAB III METODE EGARCH, JARINGAN SYARAF TIRUAN DAN NEURO-EGARCH 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu data saham Astra Internasional Tbk tanggal 2 Januari
Lebih terperinciBACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA
BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id
Lebih terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciFarah Zakiyah Rahmanti
Farah Zakiyah Rahmanti Latar Belakang Struktur Dasar Jaringan Syaraf Manusia Konsep Dasar Permodelan JST Fungsi Aktivasi JST Contoh dan Program Jaringan Sederhana Metode Pelatihan Supervised Learning Unsupervised
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
5 BAB 2 TINJAUAN PUSTAKA 2.1. Analisis Analisis adalah kemampuan pemecahan masalah subjek kedalam elemen-elemen konstituen, mencari hubungan-hubungan internal dan diantara elemen-elemen, serta mengatur
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN HANDPHONE DENGAN MENGGUNAKAN METODE BACKPROPAGATION (Studi Kasus : CV.
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI PENJUALAN HANDPHONE DENGAN MENGGUNAKAN METODE BACKPROPAGATION (Studi Kasus : CV. Bryan Ponsel) Des Indeks Giawa Mahasiswa Teknik Informatika STMIK Budi
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi
Lebih terperinciPENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK
PENGENALAN HURUF DAN ANGKA PADA CITRA BITMAP DENGAN JARINGAN SARAF TIRUAN METODE PROPAGASI BALIK Naskah Publikasi disusun oleh Zul Chaedir 05.11.0999 Kepada SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
Lebih terperinciBACK PROPAGATION NETWORK (BPN)
BACK PROPAGATION NETWORK (BPN) Arsitektur Jaringan Salah satu metode pelatihan terawasi pada jaringan syaraf adalah metode Backpropagation, di mana ciri dari metode ini adalah meminimalkan error pada output
Lebih terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
Lebih terperinciPrediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation
1 Prediksi Pergerakan Harga Harian Nilai Tukar Rupiah (IDR) Terhadap Dollar Amerika (USD) Menggunakan Metode Jaringan Saraf Tiruan Backpropagation Reza Subintara Teknik Informatika, Ilmu Komputer, Universitas
Lebih terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Lebih terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
Lebih terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih terperinciARTIFICIAL NEURAL NETWORK TEKNIK PERAMALAN - A
ARTIFICIAL NEURAL NETWORK CAHYA YUNITA 5213100001 ALVISHA FARRASITA 5213100057 NOVIANTIANDINI 5213100075 TEKNIK PERAMALAN - A MATERI Neural Network Neural Network atau dalam bahasa Indonesia disebut Jaringan
Lebih terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Bab ini akan dibahas mengenai teori-teori pendukung pada penelitian ini. Adapun teori tersebut yaitu teori jaringan saraf tiruan dan algoritma backpropragation. 2.1. Jaringan Saraf
Lebih terperinciPERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION
Jurnal Riset Komputer (JURIKOM), Volume : 3, Nomor:, Februari 206 ISSN : 2407-389X PERANCANGAN APLIKASI MENGIDENTIFIKASI PENYAKIT MATA DENGAN MENGGUNAKAN METODE BACKPROPAGATION Fahmi Hasobaran Dalimunthe
Lebih terperinciPREDIKSI INDEKS PASAR SAHAM S&P500, DOW JONES DAN NASDAQ COMPOSITE DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION
PREDIKSI INDEKS PASAR SAHAM S&P500, DOW JONES DAN NASDAQ COMPOSITE DENGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION Feni Andriani 1, Ilmiyati Sari 2 1 Universitas Gunadarma, feni.andriani@staff.gunadarma.ac.id
Lebih terperinciPENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK
PENGENALAN POLA HURUF ROMAWI DENGAN JARINGAN SARAF TIRUAN PERSEPTRON LAPIS JAMAK Eko Budi Wahyono*), Suzuki Syofian**) *) Teknik Elektro, **) Teknik Informatika - Fakultas Teknik Abstrak Pada era modern
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih terperinciBAB III LANDASAN TEORI. Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu
BAB III LANDASAN TEORI 3.1 Definisi Peramalan Definisi Peramalan adalah memperkiraan atau memproyeksikan sesuatu yang akan terjadi dimasa sekarang maupun yang akan datang. dikarena masa yang akan datang
Lebih terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinci2.1. Dasar Teori Bandwidth Regression
2.1. Dasar Teori 2.1.1. Bandwidth Bandwidth adalah ukuran kapasitas dari sistem transmisi (Comer, 2004) Bandwidth adalah konsep pengukuran yang sangat penting dalam jaringan, tetapi konsep ini memiliki
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN 1.1 Latar belakang Hujan merupakan salah satu unsur iklim yang berpengaruh pada suatu daerah aliran sungai (DAS). Pengaruh langsung yang dapat diketahui yaitu potensi sumber daya air. Besar
Lebih terperinciEstimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan
Estimasi Suhu Udara Bulanan Kota Pontianak Berdasarkan Metode Jaringan Syaraf Tiruan Andi Ihwan 1), Yudha Arman 1) dan Iis Solehati 1) 1) Prodi Fisika FMIPA UNTAN Abstrak Fluktuasi suhu udara berdasarkan
Lebih terperinciJARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan notashapire@gmail.com Abstrak
Lebih terperinciBAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian dengan jaringan syaraf tiruan propagasi balik dalam bidang kesehatan sebelumnya pernah dilakukan oleh Sudharmadi Bayu Jati Wibowo
Lebih terperinciNeural Network (NN) Keuntungan penggunaan Neural Network : , terdapat tiga jenis neural network Proses Pembelajaran pada Neural Network
Neural Network (NN) adalah suatu prosesor yang melakukan pendistribusian secara besar-besaran, yang memiliki kecenderungan alami untuk menyimpan suatu pengenalan yang pernah dialaminya, dengan kata lain
Lebih terperinciANALISIS PENGGUNAAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA PENYAKIT PARU
ANALISIS PENGGUNAAN ALGORITMA KOHONEN PADA JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PENGENALAN POLA PENYAKIT PARU Rosmelda Ginting 1*, Tulus 1, Erna Budhiarti Nababan 1 Program S2 Teknik Informatika
Lebih terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir Bagian terpenting dari CRM adalah memahami kebutuhan dari pelanggan terhadap suatu produk yang ditawarkan para pelaku bisnis. CRM membutuhkan sistem yang dapat memberikan suatu
Lebih terperinciANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION TERHADAP PERAMALAN NILAI TUKAR MATA UANG RUPIAH DAN DOLAR
Jurnal Barekeng Vol. 8 No. Hal. 7 3 (04) ANALISIS JARINGAN SARAF TIRUAN BACKPROPAGATION TERHADAP PERAMALAN NILAI TUKAR MATA UANG RUPIAH DAN DOLAR Analysis of Backpropagation Artificial Neural Network to
Lebih terperinciPERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Seminar Nasional Aplikasi Teknologi Informasi 20 (SNATI 20) ISSN: 19-5022 Yogyakarta, 16 Juni 20 PERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA UTARA MENGGUNAKAN METODE BACKPROPAGATION
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA UTARA MENGGUNAKAN METODE BACKPROPAGATION Havid Syafwan 1, Herman Saputra 2 *1 Program Studi Manajemen Informatika, AMIK
Lebih terperinciNEURAL NETWORK BAB II
BAB II II. Teori Dasar II.1 Konsep Jaringan Saraf Tiruan (Artificial Neural Network) Secara biologis jaringan saraf terdiri dari neuron-neuron yang saling berhubungan. Neuron merupakan unit struktural
Lebih terperinci1. Pendahuluan. 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Pasar valuta asing telah mengalami perkembangan yang tak terduga selama beberapa dekade terakhir, dunia bergerak ke konsep "desa global" dan telah menjadi salah satu pasar
Lebih terperinciBAB 2 LANDASAN TEORI. suatu perusahaan yang akan memberikan keuntungan dalam bentuk deviden dan capital
BAB 2 LANDASAN TEORI 2.1 Saham Saham adalah tanda penyertaan atau kepemilikan seseorang atau badan, dalam suatu perusahaan yang akan memberikan keuntungan dalam bentuk deviden dan capital gain. Artinya
Lebih terperinciGambar 2.1 Neuron biologi manusia (Medsker & Liebowitz, 1994)
BAB 2 LANDASAN TEORI 2.1. Jaringan Saraf Biologi Manusia Otak manusia memiliki struktur yang sangat kompleks, serta memiliki kemampuan yang luar biasa. Otak terdiri dari neuron-neuron dan penghubung yang
Lebih terperinciSIMULASI DAN PREDIKSI JUMLAH PENJUALAN AIR MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (Study Kasus: PDAM TIRTA KEPRI) Ilham Aryudha Perdana
SIMULASI DAN PREDIKSI JUMLAH PENJUALAN AIR MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (Study Kasus: PDAM TIRTA KEPRI) Ilham Aryudha Perdana Mahasiswa Program Studi Teknik Informatika, Universitas
Lebih terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih terperinciPOSITRON, Vol. IV, No. 2 (2014), Hal ISSN :
Modifikasi Estimasi Curah Hujan Satelit TRMM Dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Studi Kasus Stasiun Klimatologi Siantan Fanni Aditya 1)2)*, Joko Sampurno 2), Andi Ihwan 2) 1)BMKG Stasiun
Lebih terperinciJARINGAN SYARAF TIRUAN
JARINGAN SYARAF TIRUAN 8 Jaringan syaraf adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Perceptron 2. ADALINE 3. MADALINE 2 Perceptron Perceptron lebih powerful dari Hebb Pembelajaran perceptron mampu menemukan konvergensi terhadap bobot yang
Lebih terperinciIDENTIFIKASI POLA IRIS MENGGUNAKAN METODE BACKPROPAGATION
JURNAL MANUTECH 43 IDENTIFIKASI POLA IRIS MENGGUNAKAN METODE BACKPROPAGATION Yoan Elviralita 1, Asrul Hidayat 2 1 Program Studi Teknik Mekatronika-Politeknik Bosowa 2 Program Studi Perawatan dan Perbaikan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
7 BAB 2 TINJAUAN PUSTAKA 21 Anatomi Ayam Pengetahuan tentang anatomi ayam sangat diperlukan dan penting dalam pencegahan dan penanganan penyakit Hal ini karena pengetahuan tersebut dipakai sebagai dasar
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan diuraikan materi yang mendukung dalam pembahasan evaluasi implementasi sistem informasi akademik berdasarkan pengembangan model fit HOT menggunakan regresi linier
Lebih terperinciBAB I PENDAHULUAN. Machine learning (ML), bagian dari kecerdasan buatan (artificial
BAB I PENDAHULUAN 1. 1.1. Latar Belakang Machine learning (ML), bagian dari kecerdasan buatan (artificial intelligence), merupakan metode untuk mengoptimalkan performa dari sistem dengan mempelajari data
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciBAB I PENDAHULUAN. paling parah dan paling lama tingkat pemulihannya akibat krisis keuangan
BAB I PENDAHULUAN 1.1 Latar Belakang Krisis keuangan yang terjadi di Asia pada pertengahan tahun 1997 diawali di Thailand dan merembet ke berbagai negara di Asia lainnya seperti di Indonesia, Malaysia,
Lebih terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
Lebih terperinci1. Pendahuluan 1.1 Latar belakang masalah
1. Pendahuluan 1.1 Latar belakang masalah Emas adalah unsur kimia dalam tabel periodik yang memiliki simbol Au (bahasa Latin: 'aurum') dan nomor atom 79. Emas digunakan sebagai standar keuangan di banyak
Lebih terperinciModel Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa)
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 1 Model Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa) Agus Perdana Windarto* 1, Dedy Hartama
Lebih terperinciBAB VIII JARINGAN SYARAF TIRUAN
BAB VIII JARINGAN SYARAF TIRUAN A. OTAK MANUSIA Otak manusia berisi berjuta-juta sel syaraf yang bertugas untuk memproses informasi. Tiaptiap sel bekerja seperti suatu prosesor sederhana. Masing-masing
Lebih terperinciMetode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat
Prosiding Semirata FMIPA Universitas Lampung, 2013 Metode Jaringan Saraf Tiruan Propagasi Balik Untuk Estimasi Curah Hujan Bulanan di Ketapang Kalimantan Barat Andi Ihwan Prodi Fisika FMIPA Untan, Pontianak
Lebih terperinci